モーション補償MRシネイメージングの再構築駆動型モーション推定

心臓のCineでは、モーション補償MR再建（MCMR）は、フレーム間にモーション情報を組み込むことにより、高度にサンプリングされた取得に対処するための効果的なアプローチです。この作業では、MCMRの問題に対処するための新しい視点と、MCMRフィールドに対するより統合された効率的なソリューションを提案します。元の問題を2つのサブ最適化問題に分割する最先端の（SOTA）MCMRメソッド、つまり運動の推定と再構築に反して、1つの最適化を伴う単一のエンティティとしてこの問題を定式化します。私たちのアプローチは、モーション推定が究極の目標である再構築によって直接駆動されるが、標準的な動きの吸引喪失（モーション塗りの画像とターゲット画像間の類似性測定）によってはないという点でユニークです。動きの推定と再構築の目的を調整し、アーティファクトの影響を受けたモーション推定の欠点を排除し、したがってエラー実装再構成を排除します。さらに、正規化/滑らかさの損失条件を適用せずに、高品質の再構築と現実的な動きを提供し、非自明の重み付け因子チューニングを回避できます。2つのデータセットでの方法を評価します。1）レトロスペクティブ研究のための社内で取得した2D Cineデータセットと2）将来の研究のための公開OCMR心臓データセット。実施された実験は、提案されているMCMRフレームワークが、すべての実験で定性的および定量的評価の両方で、最大20倍で最大20倍の課題加速度を上回るSOTA非MCMRおよびMCMRメソッドを上回る場合でも、アーティファクトフリーのモーション推定と高品質のMR画像を提供できることを示しています。

In cardiac CINE, motion-compensated MR reconstruction (MCMR) is an effective approach to address highly undersampled acquisitions by incorporating motion information between frames. In this work, we propose a novel perspective for addressing the MCMR problem and a more integrated and efficient solution to the MCMR field. Contrary to state-of-the-art (SOTA) MCMR methods which break the original problem into two sub-optimization problems, i.e. motion estimation and reconstruction, we formulate this problem as a single entity with one single optimization. Our approach is unique in that the motion estimation is directly driven by the ultimate goal, reconstruction, but not by the canonical motion-warping loss (similarity measurement between motion-warped images and target images). We align the objectives of motion estimation and reconstruction, eliminating the drawbacks of artifacts-affected motion estimation and therefore error-propagated reconstruction. Further, we can deliver high-quality reconstruction and realistic motion without applying any regularization/smoothness loss terms, circumventing the non-trivial weighting factor tuning. We evaluate our method on two datasets: 1) an in-house acquired 2D CINE dataset for the retrospective study and 2) the public OCMR cardiac dataset for the prospective study. The conducted experiments indicate that the proposed MCMR framework can deliver artifact-free motion estimation and high-quality MR images even for imaging accelerations up to 20x, outperforming SOTA non-MCMR and MCMR methods in both qualitative and quantitative evaluation across all experiments.